PCA-SVM在电力负荷预测中的应用研究

《PCA-SVM在电力负荷预测中的应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第27卷第lO期计算机仿真2010年10月文章编号：1006—9348(2010)10—0279—04PCA—SVM在电力负荷预测中的应用研究石海波(江苏大学，江苏镇江212001)摘要：研究电力负荷预测问题，传统方法无法消除数据之间冗余及复杂特征，导致预测精度较低。为了提高电力负荷预测精度，提出一种基于主成份分析(PCA)的支持向量机(SVM)电力负荷预测方法(PCA—SVM)。首先利用主成分分析对电力负荷的影响因素进行处理，消除各时素之间的高度冗余性，通过提取样本集的主成分完成数据预处理，有效地压缩样本集的维数，加快SVM

2、学习速度并提高预测精度，然后利用支持向量机，对保留的丰成成分进行建模预测。最后利用PCA—SVM模型对华东地区1978—1998的电力负荷进行了验证性测试和分析。实验结果表明，相对于各参比模型，PCA—SVM模型可以有效地降低样本集的维数，提高负荷预测精度。PCA—SVM是一种高效、高精度的电力负荷预测方法。关键词：主成分分析；支持向量机；电力负荷预测中圉分类号：TP391．9文献标识码：BPowerLoadForecastingBasedonPrincipalComponentAnalysisandSupportVector

3、MachineSHIHai—bo(JiangsuUniversity，ZhenjiangJiangsu212001，China)ABSTRACT：Researchingaboutpowerloadforecastingproblems．affectingfactorsofpowerloadexisthishlyredun-dantfeatures，traditionalmethodcannoteliminatedataredundancy，thenpredictionaccuracyisverylow．Inordertoimp

4、rovetheaccuracyofpowerloadforecasting．Anewmethodispmposedbasedonprincipalcomponentartalysis(PCA)andsupportvectormachine(SVM)．Firsdy，principalcomponentanalysis，whichCaneliminatethenonlin-earityofvariables，isusedtoaccomplishdatapreprocessingbye，【tractiIlgcharacteristi

5、cinformationfromtrainingdataset，thenusingthesupportvectormachinepredictionpowerloaddata．eastChinaoureaof1978—1998powerloadistestandverifiedbyPCA—SVM，thetestresultsrevealthatPCA—SVMhasimprovepredictionaccuracyincreasedsignificantlycomparedwitIlthereferencemodels．theP

6、CA—SVMalgorithmhasgoodperformancesinreducingthedimensionoftheinputspaceswellasincreasingforeeastingaccuracy．PCA—SVMisakindofhi【ghefficient，hi．shpowerloadforecastingmethodsKEYWORDS：Principalcomponentanalysis(PCA)；Supportvectormachine(SVM)；Powerloadforecasting1引言电力负荷预

7、测是电网规划决策的基础，是电力市场化的前提，预测的准确与否直接关系到能否为用户提供安全优质的电力以及能否保证系统运行的经济性，对电力部门提高经济效益有着重要的意义¨J。传统的电力负荷预测方法根据它们所使用的技术，一般可以分为两大类。一种是把负荷模式看成时间序列信号的时间序列法，如自回归模型(AR)、滑动平均模型(MA)、自回收稿日期：2010—04—21修回日期：2010—05—31归滑动平均(ARMA)、累积式自回归动平均(ARIMA)[21。另一种是认为负荷模式主要与天气的变化有关，并且找到天气变量与系统负荷之间的函数关系

8、的回归分析法等，如弹性系数法、灰色模型法、模糊预测法等胆J。由于电力负荷是一个随机的非平稳过程，受到温度、天气状况等多种因素的影响，各因素之间旱高度的非线性关系，传统方法不能很好地分析和拟合高度非线性多因素的电力负荷，预测精度不理想p1。近年来，基于人工智能的神经网络等模型在